[論文レビュー] A Novel Method for ECG Signal Classification via One-Dimensional Convolutional Neural Network

Xuan Hua, Jungang Han+7 more|arXiv (Cornell University)|Jun 20, 2020

ECG Monitoring and Analysis参考文献 29被引用数 8

ひとこと要約

本稿では、Rピーク間のECGセグメントを抽出することで診断情報を保持するR-R-Rセグメンテーション戦略を用いた、ECG信号分類のための新規1次元畳み込みニューラルネットワーク（CNN）手法を提案する。この手法は、MIT-BIH不整脈分類タスクにおいて99.24%の正確性、0.9994のAUC、0.99の感度、0.99のF1スコアを達成し、最先端の手法を上回る性能を示した。

ABSTRACT

This paper presents an end-to-end ECG signal classification method based on a novel segmentation strategy via 1D Convolutional Neural Networks (CNN) to aid the classification of ECG signals. The ECG segmentation strategy named R-R-R strategy (i.e., retaining ECG data between the R peaks just before and after the current R peak) for segmenting the original ECG data into segments in order to train and test the 1D CNN models. The novel strategy mimics physicians in scanning ECG to a greater extent, and maximizes the inherent information of ECG segments. The performance of the classification models for 5-class and 6-class are verified with ECG signals from 48 records of the MIT-BIH arrhythmia database. As the heartbeat types are divided into 5 classes (i.e., normal beat, left bundle branch block beat, right bundle branch block beat, ventricular ectopic beat, and paced beat) in the MIT-BIH, the best classification accuracy, the area under the curve (AUC), the sensitivity and the F1-score reach 99.24%, 0.9994, 0.99 and 0.99, respectively. As the heartbeat types are divided into 6 classes (i.e., normal beat, left bundle branch block beat, right bundle branch block beat, ventricular ectopic beat, paced beat and other beats) in the MIT-BIH, the beat classification accuracy, the AUC, the sensitivity, and the F1-score reach 97.02%, 0.9966, 0.97, and 0.97, respectively. Meanwhile, according to the recommended practice from the Association for Advancement of Medical Instrumentation (AAMI), the heartbeat types are divided into 5 classes (i.e., normal beat, supraventricular ectopic beats, ventricular ectopic beats, fusion beats, and unclassifiable beats), the beat classification accuracy, the sensitivity, and the F1-score reach 97.45%, 0.97, and 0.97, respectively. The experimental results show that the proposed method achieves better performance than the state-of-the-art methods.

研究の動機と目的

• 内在するECGセグメント特徴を保持することで、医師の解釈を模倣するエンドツーエンドのECG信号分類手法を開発すること。
• 1次元CNNにおける新規なセグメンテーション戦略を用いて、不整脈検出の分類正確性と頑健性を向上させること。
• MIT-BIHデータベースからの5クラスおよび6クラスの不整脈タイプを含む、複数の分類スキームにおける性能を評価すること。
• AAMIが推奨する不整脈分類基準に照らして結果を検証することで、臨床基準を満たすこと。
• ECGビート分類において、最先端の手法と比較して優れた性能を示すことを証明すること。

提案手法

• R-R-Rセグメンテーション戦略は、現在のRピークの直前および直後のRピークで囲まれるECGセグメントを抽出し、診断的に関連する波形特徴を保持する。
• 1次元畳み込みニューラルネットワークは、これらのセグメント化されたECG信号上でエンドツーエンドに訓練され、階層的な時系列パターンを学習する。
• 手作業による特徴工学を経ずに、生のECG信号を直接処理することで、自動的かつ効率的な学習を可能にする。
• 1次元畳み込みを用いて時系列データに適した時間的順序モデリングに最適化されたネットワークアーキテクチャが採用されている。
• 性能評価は、5クラス（正常、LBBB、RBBB、VEB、ペーシング）、6クラス（「他のビート」を追加）、AAMI推奨の5クラス（上室性期外収縮、融合ビート、分類不能ビートを含む）という複数の分類スキームで実施された。
• モデルはMIT-BIH不整脈データベースの48レコードを用いて訓練およびテストされ、堅牢性と一般化性能が確保された。

実験結果

リサーチクエスチョン

• RQ1 R-R-Rセグメンテーション戦略を用いた1次元CNNは、既存の手法よりも高いECGビート分類正確性を達成できるか？
• RQ2 従来のセグメンテーション手法と比較して、R-R-R戦略はより臨床的に関連するECG情報をより効果的に保持できるか？
• RQ3 本手法はAAMIが推奨する不整脈分類フレームワーク下でどのように性能を発揮するか？
• RQ4 「他のビート」を別クラスとして含めることで、分類性能にどのような影響が生じるか？
• RQ5 MIT-BIHデータベース内の異なるECGビートタイプにわたって、モデルの一般化能力はどの程度高いか？

主な発見

• 提案手法は、5クラスのMIT-BIH不整脈分類タスクにおいて99.24%の分類正確性、0.9994のAUC、0.99の感度、0.99のF1スコアを達成した。
• 「他のビート」クラスを追加した6クラス分類では、97.02%の正確性、0.9966のAUC、0.97の感度、0.97のF1スコアを達成した。
• AAMI推奨の5クラスフレームワーク下では、97.45%の正確性、0.97の感度、0.97のF1スコアを達成した。
• 評価されたすべての分類スキームにおいて、最先端の手法を上回る性能を示した。
• R-R-Rセグメンテーション戦略は、医師のスキャン行動を効果的に模倣し、ECGセグメント情報の保持を最大化した。
• エンドツーエンドの1次元CNNフレームワークは、MIT-BIHデータベース内の多様な不整脈タイプにわたって優れた一般化性能と頑健性を示した。